时间：2021-01-10 11:03:25 | 栏目：Python代码 | 点击：次
input_signature的好处：
1.可以限定函数的输入类型，以防止调用函数时调错，
2．一个函数有了input_signature之后，在tensorflow里边才可以保存成savedmodel。在保存成savedmodel的过程中，需要使用get_concrete_function函数把一个tf.function标注的普通的python函数变成带有图定义的函数。
下面的代码具体体现了input_signature可以限定函数的输入类型这一作用。
@tf.function(input_signature=[tf.TensorSpec([None], tf.int32, name='x')]) def cube(z): #实现输入的立方 return tf.pow(z, 3) try: print(cube(tf.constant([1., 2., 3.]))) except ValueError as ex: print(ex) print(cube(tf.constant([1, 2, 3])))
输出：
Python inputs incompatible with input_signature:
inputs: (
tf.Tensor([1. 2. 3.], shape=(3,), dtype=float32))
input_signature: (
TensorSpec(shape=(None,), dtype=tf.int32, name='x'))
tf.Tensor([ 1 8 27], shape=(3,), dtype=int32)
get_concrete_function的使用
note:首先说明，下面介绍的函数在模型构建、模型训练的过程中不会用到，下面介绍的函数主要用在两个地方：1、如何保存模型 2、保存好模型后，如何载入进来。
可以给 由@tf.function标注的普通的python函数，给它加上input_signature, 从而让这个python函数变成一个可以保存的tensorflow图结构（SavedModel）
举例说明函数的用法：
@tf.function(input_signature=[tf.TensorSpec([None], tf.int32, name='x')]) def cube(z): return tf.pow(z, 3) try: print(cube(tf.constant([1., 2., 3.]))) except ValueError as ex: print(ex) print(cube(tf.constant([1, 2, 3]))) # @tf.function py func -> tf graph # get_concrete_function -> add input signature -> SavedModel cube_func_int32 = cube.get_concrete_function( tf.TensorSpec([None], tf.int32)) #tensorflow的类型 print(cube_func_int32)
输出：
<tensorflow.python.eager.function.ConcreteFunction object at 0x00000240E29695C0>
从输出结果可以看到：调用get_concrete_function函数后，输出的是一个ConcreteFunction对象
#看用新参数获得的对象与原来的对象是否一样 print(cube_func_int32 is cube.get_concrete_function( tf.TensorSpec([5], tf.int32))) #输入大小为5 print(cube_func_int32 is cube.get_concrete_function( tf.constant([1, 2, 3]))) #传具体数据
输出：
True
True
cube_func_int32.graph #图定义
输出：
[<tf.Operation 'x' type=Placeholder>, <tf.Operation 'Pow/y' type=Const>, <tf.Operation 'Pow' type=Pow>, <tf.Operation 'Identity' type=Identity>]
pow_op = cube_func_int32.graph.get_operations()[2] print(pow_op)
输出：
name: "Pow"
op: "Pow"
input: "x"
input: "Pow/y"
attr {
key: "T"
value {
type: DT_INT32
}
}
print(list(pow_op.inputs)) print(list(pow_op.outputs))
输出：
[<tf.Tensor 'x:0' shape=(None,) dtype=int32>, <tf.Tensor 'Pow/y:0' shape=() dtype=int32>]
[<tf.Tensor 'Pow:0' shape=(None,) dtype=int32>]
cube_func_int32.graph.get_operation_by_name("x")
输出：
<tf.Operation 'x' type=Placeholder>
cube_func_int32.graph.get_tensor_by_name("x:0") #默认加“：0”
<tf.Tensor 'x:0' shape=(None,) dtype=int32>
cube_func_int32.graph.as_graph_def() #总名字，针对上面两个
node {
name: "x"
op: "Placeholder"
attr {
key: "_user_specified_name"
value {
s: "x"
}
}
attr {
key: "dtype"
value {
type: DT_INT32
}
}
attr {
key: "shape"
value {
shape {
dim {
size: -1
}
}
}
}
}
node {
name: "Pow/y"
op: "Const"
attr {
key: "dtype"
value {
type: DT_INT32
}
}
attr {
key: "value"
value {
tensor {
dtype: DT_INT32
tensor_shape {
}
int_val: 3
}
}
}
}
node {
name: "Pow"
op: "Pow"
input: "x"
input: "Pow/y"
attr {
key: "T"
value {
type: DT_INT32
}
}
}
node {
name: "Identity"
op: "Identity"
input: "Pow"
attr {
key: "T"
value {
type: DT_INT32
}
}
}
versions {
producer: 119
}